人工智能研究的最新目標(biāo)，尤其是在追求“通用人工智能”（AGI）的實(shí)驗(yàn)室中，是一個(gè)被稱(chēng)為“世界模型”（world model）的概念：這是一種AI內(nèi)部攜帶的環(huán)境表征，就像一個(gè)計(jì)算型的雪球玻璃球。AI系統(tǒng)可以借助這個(gè)簡(jiǎn)化的內(nèi)部模型，在真正執(zhí)行任務(wù)之前，先對(duì)預(yù)測(cè)和決策進(jìn)行評(píng)估。

深度學(xué)習(xí)領(lǐng)域的幾位重量級(jí)人物——Meta的楊立昆（Yann LeCun）、Google DeepMind的德米斯·哈薩比斯（Demis Hassabis）和加拿大魁北克人工智能研究院Mila的約書(shū)亞·本吉奧（Yoshua Bengio）都認(rèn)為，要構(gòu)建真正聰明、科學(xué)且安全的AI系統(tǒng)，世界模型是不可或缺的。

實(shí)際上，心理學(xué)、機(jī)器人學(xué)和機(jī)器學(xué)習(xí)等領(lǐng)域幾十年來(lái)一直以不同方式使用類(lèi)似的概念。你大腦中現(xiàn)在可能就有一個(gè)“世界模型”在運(yùn)行——正是它讓你知道不該走到一列行駛中的火車(chē)前面，而不必真的先去試一試。

那么這是否意味著，AI 研究者終于找到了一個(gè)所有人都能達(dá)成共識(shí)其含義的核心概念？引用一位著名物理學(xué)家的話(huà)：“你是在開(kāi)玩笑吧�！笔澜缒Ｐ吐�(tīng)起來(lái)簡(jiǎn)單明了，但一如既往，人們?cè)诩?xì)節(jié)上完全無(wú)法達(dá)成一致。比如：模型中應(yīng)該包含什么內(nèi)容？精度要達(dá)到什么水平？它是與生俱來(lái)的，還是通過(guò)學(xué)習(xí)獲得的，或者兩者的結(jié)合？我們又該如何確認(rèn)模型的存在？

了解這一概念的起源會(huì)有所幫助。早在1943年，也就是“人工智能”這個(gè)術(shù)語(yǔ)被提出的12年前，年僅29歲的蘇格蘭心理學(xué)家肯尼斯·克雷克（Kenneth Craik）發(fā)表了一本影響深遠(yuǎn)的小冊(cè)子，他在里面提出了這樣的設(shè)想：“如果有機(jī)體在腦中攜帶著一個(gè)外部現(xiàn)實(shí)的‘小尺度模型（small-scale model）’……它就能夠先行嘗試各種備選方案，判斷出其中哪一個(gè)最好……從而做出更全面、更安全、更有能力的反應(yīng)�！�

克雷克關(guān)于心智模型或心智模擬的設(shè)想，預(yù)示了在20世紀(jì)50年代重塑心理學(xué)并至今仍主導(dǎo)認(rèn)知科學(xué)的“認(rèn)知革命。更重要的是，它直接把認(rèn)知與計(jì)算聯(lián)系在一起：克雷克認(rèn)為，“并行或建模外部事件的能力”，是“神經(jīng)機(jī)制”與“計(jì)算機(jī)器”共有的“根本特征”。

新興的人工智能領(lǐng)域也迅速采納了世界模型的方法。在20世紀(jì)60年代末，一套名為SHRDLU的AI系統(tǒng)令人驚艷：它用一個(gè)簡(jiǎn)易的“積木世界”來(lái)回答有關(guān)桌面物體的常識(shí)問(wèn)題，比如“一個(gè)金字塔能支撐一個(gè)方塊嗎？”然而，這類(lèi)手工構(gòu)建的模型無(wú)法規(guī)�；�，難以應(yīng)對(duì)更為真實(shí)環(huán)境的復(fù)雜性。到了上世紀(jì)80年代末，人工智能與機(jī)器人學(xué)先驅(qū)羅德尼·布魯克斯（Rodney Brooks）則干脆放棄了世界模型，他那句名言廣為流傳——“世界本身就是其最佳模型（the world is its own best model）”，而“顯式表征……只會(huì)礙事”。

讓克雷克的設(shè)想重?zé)ㄉ鷻C(jī)的是機(jī)器學(xué)習(xí)的崛起，尤其是基于人工神經(jīng)網(wǎng)絡(luò)的深度學(xué)習(xí)。深度神經(jīng)網(wǎng)絡(luò)不再依賴(lài)脆弱的手寫(xiě)規(guī)則，而是通過(guò)反復(fù)試驗(yàn)，在訓(xùn)練過(guò)程中逐漸構(gòu)建出內(nèi)部的環(huán)境近似模型，并用來(lái)完成如駕駛虛擬賽車(chē)等狹窄定義的任務(wù)。

最近幾年，隨著支持聊天機(jī)器人（如 ChatGPT）的“大語(yǔ)言模型（LLM）”展現(xiàn)出許多“意外”能力——比如通過(guò)emoji推斷電影名稱(chēng)，或玩黑白棋等，這讓世界模型成為一個(gè)頗具解釋力的思路。對(duì)杰出的AI專(zhuān)家而言，如杰弗里·辛頓（Geoffrey Hinton）、伊利亞·蘇茨克弗（Ilya Sutskever）與克里斯·奧拉（Chris Olah），答案幾乎是不言自明的：在某個(gè)深埋于LLM龐大“虛擬神經(jīng)元”叢林的角落里，一定存在著一個(gè)“外部現(xiàn)實(shí)的小尺度模型”，正如克雷克當(dāng)年所設(shè)想的那樣。

但現(xiàn)實(shí)（至少目前來(lái)看）并沒(méi)有那么理想。現(xiàn)在的生成式AI更像是在學(xué)習(xí)“啟發(fā)式集合”：成百上千條互不關(guān)聯(lián)的經(jīng)驗(yàn)法則，可以在特定場(chǎng)景下給出近似的應(yīng)對(duì)，但無(wú)法整合成一個(gè)自洽的整體，有時(shí)它們甚至相互矛盾。這就像盲人摸象的故事：一個(gè)人摸到象鼻，以為大象像蛇；另一個(gè)人摸到腿，以為像樹(shù)；還有人摸到尾巴，說(shuō)像繩子。當(dāng)研究者嘗試從大語(yǔ)言模型內(nèi)部找回世界模型的證據(jù)——例如，對(duì)黑白棋（Othello）棋盤(pán)的一種連貫的計(jì)算表征——他們尋找的是整頭大象。而他們真正找到的，卻是這里一點(diǎn)“蛇”、那里一截“樹(shù)”，再加上一段“繩子”。

當(dāng)然，這些啟發(fā)式規(guī)則并非一無(wú)是處。大語(yǔ)言模型可以在其數(shù)萬(wàn)億個(gè)參數(shù)中編碼數(shù)以“袋”計(jì)的此類(lèi)規(guī)則——而俗話(huà)說(shuō)，“數(shù)量本身就是一種質(zhì)量”。正因如此，正如哈佛大學(xué)與麻省理工學(xué)院的研究者近期所發(fā)現(xiàn)的，只通過(guò)語(yǔ)言數(shù)據(jù)就幾乎完美地生成從曼哈頓任意兩點(diǎn)之間的導(dǎo)航路線(xiàn)，盡管這個(gè)模型根本沒(méi)有學(xué)會(huì)整個(gè)街道網(wǎng)絡(luò)的連貫世界模型。

那如果“一點(diǎn)蛇、一截樹(shù)、一些繩子”就能完成任務(wù)，為何還要執(zhí)著于整只大象？答案只有一個(gè)詞：魯棒性。當(dāng)研究人員隨機(jī)封閉曼哈頓1%的街道，LLM的導(dǎo)航能力就明顯崩潰了。如果它內(nèi)部擁有的是一個(gè)一致且連貫的街道地圖，而不是在每個(gè)街角以相互矛盾的“最佳猜測(cè)”拼接成的一張極其復(fù)雜的補(bǔ)丁式網(wǎng)，它完全可以輕松繞開(kāi)障礙。

即便是簡(jiǎn)單的世界模型也能帶來(lái)諸多益處，不難理解為什么所有大型AI實(shí)驗(yàn)室都在拼命研發(fā)它們，為什么學(xué)術(shù)界也越來(lái)越關(guān)注它們。一個(gè)魯棒且可驗(yàn)證的世界模型，或許未必能發(fā)現(xiàn)通用人工智能的“黃金城”，但至少有望提供一種在科學(xué)上站得住腳的工具，用來(lái)消除AI幻覺(jué)、支持可靠推理，并提升AI系統(tǒng)的可解釋性。

這就是世界模型的“是什么”和“為什么”。至于“怎么做”，依然是個(gè)未知數(shù)。Google DeepMind和OpenAI認(rèn)為，只要有足夠多的“多模態(tài)”訓(xùn)練數(shù)據(jù)——比如視頻、三維模擬和超越文本的其他輸入——世界模型會(huì)在神經(jīng)網(wǎng)絡(luò)中自然“凝聚”出來(lái)。與此同時(shí)，楊立昆則認(rèn)為，構(gòu)建世界模型需要完全不同于生成式AI的全新架構(gòu)。在構(gòu)建這個(gè)“計(jì)算型的雪球玻璃球”的征途中，沒(méi)有人手握能預(yù)測(cè)未來(lái)的水晶球。但這一次的終極目標(biāo)，也許的確配得上圍繞通用人工智能的那股熱度。

作者：John Pavlus

譯者：琴心

原文：https://www.quantamagazine.org/world-models-an-old-idea-in-ai-mount-a-comeback-20250902/